因為連假過太爽，今天內容比較少

今天就是回去看一下Rules of Machine Learning

稍微摘錄一下重點

首先概述裡面提到

要做出一個好的機器學習的產品，大部分來說是工程問題，而非機器學習問題
因為大部分的產出，取決於好的特徵，而非好的機器學習演算法

在使用機器學習前

Rule #1: Don’t be afraid to launch a product without machine learning.
不要害怕發布一個沒有機器學習的產品

可以先用一些簡單的規則替代。
簡單來說，就是機器學習需要資料，所以當機器學習並不是產品必要的部分，請在取得資料後再利用機器學習。

Rule #2: First, design and implement metrics.
首先設計與實現可量化指標

在應用機器學習前，系統要盡量紀錄完整的資料，也就是說，假設產品需要使用機器學習，必須保證產品本身能夠正確地收集有可能有用資料

Rule #3: Choose machine learning over a complex heuristic.
選擇機器學習好過複雜的規則

前面有講到可以先用一些簡單的規則
這裡則是說，如果系統需要用複雜的規則來達到目標，不如一開始就用機器學習

構建第一套系統

Rule #4: Keep the first model simple and get the infrastructure right.
第一個模型要簡單，架構要正確

在架構上必須要知道
1.系統如何取得資料，並應用到學習的演算法中，這個過程如何運作
2.怎樣去衡量系統的好壞
3.如何將模型整合到應用上

簡單的模型源自簡單的特徵

Rule #5: Test the infrastructure independently from the machine learning
測試架構應獨立於機器學習

簡單來說，系統中的機器學習部分應該是要被封裝的
以保證系統在未訓練前，所有部分都是可以被獨立測試的
資料再進入學習前，就必須檢查特徵

Rule #6: Be careful about dropped data when copying pipelines
在複製pipeline時要小心某些資料的遺失

簡單來說就是小心Cargo cult programming